{"id":108413,"date":"2023-05-08T12:48:42","date_gmt":"2023-05-08T10:48:43","guid":{"rendered":"https:\/\/prohoster.info\/?p=108413"},"modified":"2023-05-08T16:10:08","modified_gmt":"2023-05-08T14:10:08","slug":"sozdatel-llvm-razvivaet-novyj-yazyk-programmirovaniya-mojo","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/sozdatel-llvm-razvivaet-novyj-yazyk-programmirovaniya-mojo","title":{"rendered":"Der Sch\u00f6pfer von LLVM entwickelt eine neue Programmiersprache Mojo","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Chris Lattner, Gr\u00fcnder und Hauptarchitekt von LLVM sowie Sch\u00f6pfer der Programmiersprache Swift, und Tim Davis, ehemaliger Leiter der AI-Projekte von Google wie Tensorflow und JAX, haben die neue Programmiersprache Mojo vorgestellt, die die Benutzerfreundlichkeit f\u00fcr Forschungsentwicklungen und schnelles Prototyping mit der Eignung zur Erstellung leistungsstarker Endprodukte kombiniert. Dies wird durch die Verwendung der vertrauten Syntax der Programmiersprache Python erreicht, w\u00e4hrend die zweite Eigenschaft durch die M\u00f6glichkeit der Kompilierung in Maschinencode, sichere Speicherverwaltungsmechanismen und den Einsatz von Mitteln zur Hardwarebeschleunigung von Berechnungen erm\u00f6glicht wird. <\/p>\n
Das Projekt konzentriert sich auf die Nutzung von Anwendungen im Bereich des maschinellen Lernens, wird jedoch als universelle Programmiersprache pr\u00e4sentiert, die die M\u00f6glichkeiten von Python durch systemnahe Programmierung erweitert und f\u00fcr ein breites Spektrum an Aufgaben geeignet ist. Beispielsweise ist die Sprache anwendbar in Bereichen wie Hochleistungsrechnen sowie Datenverarbeitung und -transformation. Eine interessante Besonderheit von Mojo ist die M\u00f6glichkeit, das Emoji-Symbol «🔥» als Dateierweiterung f\u00fcr den Code (z.B. «helloworld.🔥») zus\u00e4tzlich zur textuellen Erweiterung «.mojo» zu verwenden. <\/p>\n
Derzeit befindet sich die Sprache in der intensiven Entwicklungsphase, und es steht nur eine Online-Schnittstelle zum Testen zur Verf\u00fcgung. Separat ver\u00f6ffentlichte Builds f\u00fcr den Betrieb auf lokalen Systemen werden sp\u00e4ter bekannt gegeben, nachdem Feedback zur Funktionsweise der interaktiven Webumgebung eingeholt wurde. Der Quellcode des Compilers, JIT und anderer mit dem Projekt verbundener Arbeiten soll nach Abschluss der Entwurfsphase der internen Architektur er\u00f6ffnet werden (das Modell zur Entwicklung eines funktionsf\u00e4higen Prototyps hinter verschlossenen T\u00fcren \u00e4hnelt der fr\u00fchen Entwicklungsphase von LLVM, Clang und Swift). Da die Syntax von Mojo auf Python basiert und das Typsystem nahe an C\/C++ liegt, wird in Zukunft ein Werkzeugkasten entwickelt, um die \u00dcbertragung bestehender Projekte, die in C\/C++ und Python geschrieben sind, auf Mojo zu erleichtern und hybride Projekte zu entwickeln, die Code in Python und Mojo kombinieren. <\/p>\n
Das Projekt ist darauf ausgelegt, die vorhandenen Hardware-Ressourcen heterogener Systeme f\u00fcr Berechnungen zu nutzen. Beispielsweise k\u00f6nnen zur Ausf\u00fchrung von Anwendungen in der Mojo-Sprache und zur Parallelisierung der Berechnungen GPUs, spezialisierte Beschleuniger f\u00fcr maschinelles Lernen und SIMD (Single Instruction, Multiple Data) -Prozessoranweisungen verwendet werden. Als Grund f\u00fcr die Entwicklung einer eigenen Teilmenge der Programmiersprache Python wird die Ausrichtung auf Kompilierung, die Integration von Funktionen der Systemprogrammierung und die Anwendung einer grundlegend anderen internen Architektur genannt, die die Ausf\u00fchrung von Code auf GPUs und verschiedenen Hardware-Beschleunigern erm\u00f6glicht. Dabei beabsichtigen die Entwickler von Mojo, soweit m\u00f6glich, die Kompatibilit\u00e4t mit CPython zu wahren. <\/p>\n
Mojo kann sowohl im Interpretationsmodus mit JIT (Just-In-Time) als auch f\u00fcr die Kompilierung in ausf\u00fchrbare Dateien (AOT, Ahead-of-Time) verwendet werden. Der Compiler ist mit modernen Technologien zur automatischen Optimierung, Caching und verteilten Kompilierung ausgestattet. Der Quellcode in der Mojo-Sprache wird in einen niedrigen Zwischenkode MLIR (Multi-Level Intermediate Representation) umgewandelt, der vom LLVM-Projekt entwickelt wird und zus\u00e4tzliche Optimierungsm\u00f6glichkeiten f\u00fcr die Verarbeitung von Datenflussgraphen bietet. Der Compiler erm\u00f6glicht die Verwendung verschiedener Backends zur Generierung von Maschinencode, die MLIR unterst\u00fctzen. <\/p>\n
Die Nutzung zus\u00e4tzlicher Hardwaremechanismen zur Beschleunigung von Berechnungen erm\u00f6glicht eine Leistungssteigerung, die bei intensiven Berechnungen die Anwendungen in C\/C++ \u00fcbertrifft. Beispielsweise war bei Tests einer Anwendung zur Erzeugung einer Mandelbrot-Menge das kompilierte Mojo-Programm in der Cloud AWS (r7iz.metal-16xl) 6-mal schneller als die Implementierung in C++ (0,03 Sek. gegen\u00fcber 0,20 Sek.) und 35.000-mal schneller als die Anwendung in Python mit dem Standard-CPython 3.10.9 (0,03 Sek. gegen\u00fcber 1027 Sek.) sowie 1500-mal schneller bei Verwendung von PYPY (0,03 Sek. gegen\u00fcber 46,1 Sek.). <\/p>\n
Bei der Bewertung der Leistung im Bereich der L\u00f6sung von Aufgaben des maschinellen Lernens war der AI-Stack Modular Inference Engine, der in der Sprache Mojo geschrieben ist, auf einem System mit Intel-Prozessor dreimal schneller bei der Verarbeitung von Sprachmodellen, 6,4-mal schneller bei der Ausf\u00fchrung von Empfehlungserstellungsmodellen und 2,1-mal schneller im Umgang mit Modellen zur Verarbeitung visueller Informationen im Vergleich zu einer L\u00f6sung auf Basis der TensorFlow-Bibliothek. Bei der Verwendung von AMD-Prozessoren betrug der Gewinn bei der Nutzung von Mojo das 3,2-, 5- und 2,2-fache, w\u00e4hrend bei ARM-Prozessoren die Werte 5,3, 7,5 und 1,7 betrugen. Die L\u00f6sung \u043d\u0430 \u0431\u0430\u0437\u0435 PyTorch blieb in Bezug auf Mojo hinterher, und zwar um den Faktor 1,4, 1,1 und 1,5 auf Intel-CPUs, um 2,1, 1,2 und 1,5 auf AMD-CPUs und um den Faktor 4, 4,3 und 1,3 auf ARM-CPUs.
<\/center> <\/p>\n
Die Sprache unterst\u00fctzt statische Typisierung und Mittel f\u00fcr eine sichere niedrigstufige Arbeit mit Speicher, die an die M\u00f6glichkeiten der Sprache Rust erinnern, wie die Verfolgung der Lebensdauer von Referenzen und die \u00dcberpr\u00fcfung der Borrowing-Variablen (borrow checker). Neben den Mitteln f\u00fcr eine sichere Arbeit mit Zeigern stehen auch M\u00f6glichkeiten f\u00fcr niedrigstufige Arbeiten zur Verf\u00fcgung, zum Beispiel ist der direkte Zugriff auf den Speicher im unsicheren Modus mit dem Typ Pointer m\u00f6glich, die Ausf\u00fchrung von spezifischen SIMD-Befehlen oder der Zugriff auf Hardwareerweiterungen wie TensorCores und AMX.
<\/center> <\/p>\n
Um die Trennung von herk\u00f6mmlichem und optimiertem Python-Code f\u00fcr Funktionen mit klarer Typdefinition f\u00fcr alle Variablen zu vereinfachen, wurde vorgeschlagen, anstelle von «def» ein separates Schl\u00fcsselwort «fn» zu verwenden. In \u00e4hnlicher Weise kann f\u00fcr Klassen, wenn eine statische Datenverpackung im Speicher w\u00e4hrend der Kompilierung erforderlich ist (\u00e4hnlich wie in C), anstelle von «class» der Typ «struct» verwendet werden. Auch ein einfacher Import von Modulen in C-\/C++-Sprachen ist m\u00f6glich, zum Beispiel kann f\u00fcr den Import der Funktion cos aus der Bibliothek math angegeben werden: «from «math.h» import cos». \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Der](\"\/wp-content\/uploads\/2023\/05\/df2598980ce4ed179ec3042d500235db.jpg\")
<\/center> <\/p>\n![\"Der](\"\/wp-content\/uploads\/2023\/05\/000b92c5bbb54eec64649b30a434be6d.jpg\")
<\/center> <\/p>\n